在现代信息电子科技高速发展的今天,随着智能触屏移动设备广泛的普及,人们越来越愿意用手去记录眼睛看到的人、事物和风景,这就产生了大量的手绘草图数据。特别的,当人们将目光聚焦于身边场景的时候,场景级别的草图也就随之产生。与此同时,近些年零样本学习在计算机视觉领域中受到的关注越来越多,大量关于自然图片设计的零样本学习算法被研发出来,而对于场景级别的草图,却少有人去关注。所以场景级别的草图和零样本学习相结合的问题,是一个仍需要解决的问题。本文引入了一种新的研究问题——基于场景级别草图的零样本学习,它是一个具有挑战性的任务:(1)零样本学习需要通过语义知识作为可见类别集合和不可见类别集合之间知识转移的桥梁,由于自然图片和手绘草图之间存在着模态域差异,所以常见的语义知识并不适用于手绘草图数据;(2)与只含有一个对象的草图相比,场景草图需要更具表征性的特征表示来适应其高度的抽象性和复杂性。为了克服这些挑战,本文通过分析场景级别手绘草图的特点和零样本学习的难点,提出了一个适用于场景级别草图零样本学习的深度映射模型,其中该模型具有两个分支——视觉特征提取分支和语义映射分支。基于双分支的网络结构,本文进行了如下的改进:(1)本文提出了增强语义向量一一通过融合多模态语义知识(例如,卡通图片,自然图片,文本描述)来进行域对齐;(2)为了能够更好地获取场景级别草图的视觉特征,本文在视觉特征分支引入了注意力机制来提取视觉特征;(3)本文提出了一种新的距离度量公式来提升测试期间相似性度量的准确率。本文在场景级别多模态公开数据集CMPlaces上进行了大量实验,实验结果表明本文的方法相比于当前最先进的一些零样本学习方法取得了更优的性能,并且对比实验的结果也证明了本文模型各个模块性能的有效性。